Đang tải bài học…

AP Statistics

mô phỏng

simulation

Còn gọi: giả lập · random number generator · bộ tạo số ngẫu nhiên · phương pháp mô phỏng

Mô phỏng (simulation) là cách dùng số ngẫu nhiên lặp lại một tình huống xác suất nhiều lần để ước lượng xác suất mà không cần công thức lý thuyết.

Mô phỏng dựa trên nguyên tắc rằng nếu lặp lại một thí nghiệm ngẫu nhiên đủ nhiều lần, tần số quan sát sẽ tiệm cận xác suất lý thuyết. Để thực hiện, người ta gán các số ngẫu nhiên cho từng kết quả có thể xảy ra sao cho xác suất được phản ánh đúng, rồi chạy hàng trăm hoặc hàng nghìn lượt thử. Nhờ đó, phân phối mẫu của một thống kê có thể được dựng lên ngay cả khi công thức giải tích quá phức tạp.

Vì vậy, quy trình mô phỏng gồm bốn bước cốt lõi. Đầu tiên, xác định mô hình xác suất cho tình huống — chẳng hạn, mỗi lần tung đồng xu có xác suất thành công bằng $p = 0{,}5$ . Tiếp theo, ánh xạ các số ngẫu nhiên vào kết quả: nếu dùng chữ số 0–9, ta có thể quy ước 0–4 là "sấp" và 5–9 là "ngửa". Sau đó, lặp lại thử nghiệm $n$ lần để tạo thành một mẫu, rồi ghi nhận thống kê quan tâm. Cuối cùng, lặp lại toàn bộ quá trình nhiều lần và quan sát phân phối của thống kê đó.

Hơn nữa, trong kiểm định giả thuyết, mô phỏng được dùng để ước lượng giá trị p: tỉ lệ các lần thử cho kết quả cực đoan ít nhất bằng kết quả quan sát, giả sử giả thuyết không đúng. Ví dụ, nếu khỉ Rafiki đoán đúng 7 trong 10 ngày, ta mô phỏng hàng nghìn lần với $p = 0{,}5$ và đếm xem bao nhiêu lần cho kết quả $\geq 7$ . Tỉ lệ đó chính là ước lượng giá trị p. Do đó, phương pháp này đặc biệt hữu ích khi các điều kiện của kiểm định tham số chưa được đáp ứng đầy đủ.

Ký hiệu

\hat{p}_{\text{sim}}

— tỉ lệ quan sát từ mô phỏng, dùng để ước lượng xác suất lý thuyết

p

Trực giác: Thay vì giải phương trình, ta tung xúc xắc thật nhiều lần rồi đếm kết quả — đó chính là tinh thần của mô phỏng.

Khái niệm này sinh ra từ đâu

thập niên 1770 (thí nghiệm của Buffon) và thập niên 1940 (tên gọi Monte Carlo)George BuffonStanislaw UlamOle-Johan DahlKristen Nygaard

Thử nghiệm tương tác

Rút từng lần thử — mỗi chấm là trọn một loạt 5 quả ném phạt

Hay hiểu sai

Số lần lặp của mô phỏng không quyết định độ phân tán của phân phối mẫu.

Tăng cỡ mẫu không làm dịch chuyển trung bình của phân phối mẫu.

Gán chữ số phải khớp đúng xác suất, không được gán tuỳ tiện.

Một lần thử không phải một chữ số, mà là trọn vẹn một lần lặp lại tình huống.

Mẹo phòng thi

Ví dụ có lời giải

1Ví dụ 1/2

Bảo là vận động viên ném rổ của đội tuyển trường. Theo thống kê các mùa trước, xác suất em ném trúng một quả ném phạt là 0,8 và các lần ném có thể xem như độc lập với nhau. Bảo muốn ước lượng xác suất em ném trúng ít nhất 3 quả trong 5 quả ném phạt sắp tới bằng cách dùng bảng chữ số ngẫu nhiên (random digit table). Dưới đây là 10 dòng chữ số đã được lấy từ bảng đó, mỗi dòng gồm 5 chữ số: (1) 74931 — (2) 88506 — (3) 29804 — (4) 16073 — (5) 92588 — (6) 33719 — (7) 05426 — (8) 81947 — (9) 60285 — (10) 99361.

aHãy mô tả một cách gán các chữ số từ 0 đến 9 và cho biết một lượt thử của mô phỏng gồm những gì.
bDùng 10 dòng chữ số đã cho để ước lượng xác suất Bảo ném trúng ít nhất 3 trong 5 quả.

1Bước 1: Trước hết phải làm cho tỉ lệ chữ số khớp với xác suất thật. Vì

P(\text{hit})=0{,}8=8/10

, ta cần đúng 8 trong 10 chữ số đại diện cho lần ném trúng và 2 chữ số còn lại đại diện cho lần ném trượt. Một cách gán hợp lệ là: các chữ số 0, 1, 2, 3, 4, 5, 6, 7 nghĩa là trúng; hai chữ số 8 và 9 nghĩa là trượt. Cách gán này không phải duy nhất — lấy 1 đến 8 là trúng còn 9 và 0 là trượt cũng đúng — nhưng cách gán kiểu 0–4 là trúng thì sai, vì nó ứng với xác suất 0,5 chứ không phải 0,8.

Bạn nắm chắc chưa?

Quiz câu thật từ ngân hàng đề

Vài câu thật gắn đúng khái niệm này, chấm ngay kèm giải thích từng đáp án — hệ thống ghi nhớ bạn nắm tới đâu.

Tạo tài khoản miễn phí

Học tiếp từ đây

Bài học chứa thuật ngữ nàyXác suất, biến ngẫu nhiên & phân phối xác suất · bài “Ước lượng xác suất bằng mô phỏng” — khoá AP Statistics

Cần trướchiện tượng ngẫu nhiên

Hay nhầm với

Thuật ngữKhác nhau ở đâuHay nhầm khi

thí nghiệm (thực nghiệm)experiment

Khác nhau ở đâuThí nghiệm can thiệp vào đối tượng thực ngoài đời, còn mô phỏng tái tạo quá trình ngẫu nhiên hoàn toàn trên giấy hoặc máy tính mà không cần đối tượng thật

Hay nhầm khiđề hỏi 'mô tả một phương pháp ước lượng xác suất' — thí sinh hay nhầm mô phỏng với thí nghiệm thực vì cả hai đều có 'lặp lại nhiều lần'

Nguồn tham khảo

[1]Barron_AP_Stat_2026. tr. 13, 55–56.

Ý tưởng mô phỏng đã xuất hiện từ thập niên 1770 với thí nghiệm thả kim của nhà triết học tự nhiên người Pháp George Buffon nhằm ước lượng số

\pi

bằng cách lặp lại các phép thử ngẫu nhiên, rồi được đặt tên và hệ thống hóa trong thập niên 1940 bởi nhóm nhà khoa học ở Los Alamos khi họ làm việc trong Dự án Manhattan.

Bài toán khởi thủy rất giản dị: làm sao biết được một con số mà ta không tính trực tiếp nổi? Trong thập niên 1770, Buffon kẻ những đường thẳng song song cách đều trên một tấm bảng rồi thả ngẫu nhiên xuống đó nhiều chiếc kim dài bằng nhau. Ông đã chứng minh bằng giải tích và lý thuyết xác suất rằng khả năng một chiếc kim cắt ngang một đường kẻ là $2/\pi$ , nên chỉ cần lặp lại phép thử thật nhiều lần là tỉ lệ quan sát được sẽ cho ông giá trị gần đúng của $\pi$ . Gần hai thế kỷ sau, các nhà khoa học ở Los Alamos đối mặt với những bài toán vật lý hạt nhân quá phức tạp để giải bằng công thức, và họ quay lại đúng ý tưởng ấy: cho máy tính lặp lại hàng vạn lần một quá trình ngẫu nhiên rồi đọc kết quả từ tần suất.

Vì sao mang đúng cái tên này? Cái tên gây tò mò nhất không phải là "mô phỏng" mà là cụm "mô phỏng Monte Carlo" (Monte Carlo simulation), do một nhóm nhà khoa học của Dự án Manhattan tại Phòng thí nghiệm Quốc gia Los Alamos đặt ra trong thập niên 1940; câu chuyện gốc của phương pháp thường được gắn với năm 1946 và với nhà vật lý Stanislaw Ulam. Điều đáng chú ý là cái tên ấy không mô tả công thức nào cả, nó chỉ gợi đến sự may rủi — đúng bản chất của một phương pháp thay việc giải phương trình bằng việc lặp lại thật nhiều phép thử ngẫu nhiên (randomized trials). Ngược lại, thí nghiệm kim Buffon (Buffon's needle) lại mang tên chính người thực hiện, theo lối đặt tên quen thuộc của khoa học thế kỷ 18. Về sau, khi mô phỏng chuyển từ bàn tay sang máy tính, nhu cầu diễn tả các hệ thống phức tạp đã sinh ra ngôn ngữ SIMULA do Ole-Johan Dahl và Kristen Nygaard phát triển năm 1962 tại Trung tâm Tính toán Na Uy — tên ngôn ngữ này lấy thẳng từ chữ "simulation", và chính nó khai sinh lối lập trình hướng đối tượng (object-oriented programming) mà cả ngành phần mềm dùng đến hôm nay.

Rút từng lần thử — mỗi chấm là trọn một loạt 5 quả ném phạt

Kéo tham số, thấy khái niệm chuyển động — mở khoá bằng tài khoản 0đ.

Đề bảo "describe a simulation" thì bài làm phải có đủ bốn ý mới trọn điểm.

Gặp câu so sánh nhiều mô phỏng, khoanh tròn $n$ và gạch bỏ số lần lặp ngay khi đọc đề.

Câu trả lời cuối phải là một tỉ lệ có kèm ngữ cảnh, không phải một con số trần trụi.

Tần suất trong đề AP StatisticsHay gặp

2Bước 2: Tiếp theo, ta định nghĩa một lượt thử (trial). Vì mỗi tình huống quan tâm gồm 5 quả ném phạt nên một lượt thử là đọc 5 chữ số liên tiếp, dịch mỗi chữ số thành trúng hoặc trượt, rồi đếm xem trong 5 chữ số đó có bao nhiêu chữ số thuộc nhóm trúng. Ta ghi lại kết quả của lượt thử là thành công nếu số quả trúng đạt từ 3 trở lên. Lặp lại nhiều lượt thử độc lập, ở đây là 10 lượt ứng với 10 dòng đã cho.

3Bước 3: Bây giờ đọc từng dòng và đếm số chữ số thuộc nhóm 0–7. Dòng 1: 7, 4, 3, 1 trúng → 4 quả, thành công. Dòng 2: 5, 0, 6 trúng → 3 quả, thành công. Dòng 3: 2, 0, 4 trúng → 3 quả, thành công. Dòng 4: cả 5 chữ số đều nhỏ hơn 8 → 5 quả, thành công. Dòng 5: chỉ có 2 và 5 trúng → 2 quả, không thành công. Dòng 6: 3, 3, 7, 1 trúng → 4 quả, thành công. Dòng 7: cả 5 chữ số đều trúng → 5 quả, thành công. Dòng 8: 1, 4, 7 trúng → 3 quả, thành công. Dòng 9: 6, 0, 2, 5 trúng → 4 quả, thành công. Dòng 10: 3, 6, 1 trúng → 3 quả, thành công.

4Bước 4: Đếm lại toàn bộ: có 9 dòng đạt từ 3 quả trúng trở lên, chỉ dòng 5 là không đạt. Tỉ lệ thành công trong mô phỏng là

9/10=0{,}9

. Đây chỉ là một ước lượng, và vì số lượt thử còn ít nên nó dao động khá mạnh; nếu chạy vài trăm lượt thay vì 10 lượt, tỉ lệ thu được sẽ ổn định hơn và bám sát giá trị lí thuyết

P(X\ge 3)\approx 0{,}942

với

X

là số quả trúng trong 5 quả.

Với cách gán 0–7 là trúng và 8–9 là trượt, mỗi lượt thử gồm 5 chữ số liên tiếp mô phỏng 5 quả ném phạt. Trong 10 lượt thử, có 9 lượt cho từ 3 quả trúng trở lên, nên xác suất để Bảo ném trúng ít nhất 3 trong 5 quả ném phạt sắp tới được ước lượng khoảng 0,9.

2Ví dụ 2/2

Một nhóm nghiên cứu muốn kiểm tra xem chú khỉ Rafiki có thể đoán đúng chiều tăng hay giảm của chỉ số chứng khoán trong ngày tốt hơn việc đoán mò hay không. Trong 10 ngày được chọn ngẫu nhiên, Rafiki đoán đúng 7 ngày. Để đánh giá kết quả này, nhóm nghiên cứu chạy một mô phỏng: mỗi lượt thử là tung một đồng xu cân đối 10 lần và đếm số lần ra mặt ngửa, lặp lại 200 lượt. Kết quả cho thấy có 34 lượt trong số 200 lượt đạt từ 7 lần ngửa trở lên.

aViết cặp giả thuyết và giải thích vì sao mô phỏng lại dùng xác suất thành công 0,5 với cỡ mẫu 10.
bƯớc lượng giá trị P từ mô phỏng, diễn giải ý nghĩa của nó và nêu kết luận ở mức ý nghĩa 0,05.
cNếu lặp lại mô phỏng nhưng mỗi lượt thử tung đồng xu 40 lần thay vì 10 lần, phân bố tỉ lệ đoán đúng thu được sẽ thay đổi như thế nào?

1Bước 1: Gọi

p

là xác suất Rafiki đoán đúng chiều của chỉ số trong một ngày bất kì. Giả thuyết không (null hypothesis) khẳng định chú khỉ chỉ đoán mò, tức

H_0: p=0{,}5

; giả thuyết đối là chú khỉ đoán tốt hơn đoán mò, tức

H_a: p>0{,}5

. Mô phỏng luôn được xây dựng theo giả thuyết không, vì mục đích của nó là trả lời câu hỏi: nếu chú khỉ thực sự chỉ đoán mò thì kết quả 7/10 có phải chuyện hiếm không. Do đó xác suất thành công dùng trong mô phỏng là 0,5, cỡ mẫu mỗi lượt thử là 10 để khớp với 10 ngày quan sát thực tế, và số lượt thử là 200 — số lượt càng lớn thì ước lượng càng ổn định.

2Bước 2: Giá trị P(P-value) là tỉ lệ các lượt thử cho kết quả bằng hoặc còn cực đoan hơn kết quả quan sát được, theo chiều của giả thuyết đối. Ở đây kết quả quan sát là 7 lần đúng nên ta đếm các lượt có từ 7 lần ngửa trở lên, và đề bài cho biết con số đó là 34. Vậy

\hat{P}=\frac{34}{200}=0{,}17.

Nói cách khác, nếu Rafiki chỉ đoán mò thì khoảng 17% số lần lặp lại nghiên cứu 10 ngày sẽ cho ít nhất 7 ngày đoán đúng.

3Bước 3: So sánh giá trị này với mức ý nghĩa

\alpha=0{,}05

: vì

0{,}17>0{,}05

, ta không bác bỏ

H_0

. Kết quả 7/10 hoàn toàn có thể xuất hiện do biến thiên ngẫu nhiên thông thường của việc đoán mò, nên nó chưa đủ sức thuyết phục. Cần nhấn mạnh rằng không bác bỏ không có nghĩa là chứng minh chú khỉ đoán mò, mà chỉ có nghĩa là dữ liệu hiện có quá ít để phân biệt hai khả năng.

4Bước 4: Với câu (c), tâm của phân bố mô phỏng vẫn nằm quanh 0,5 vì giả thuyết không không đổi, nhưng độ phân tán thì giảm. Điều này khớp với công thức độ lệch chuẩn (standard deviation) của phân bố mẫu (sampling distribution) cho tỉ lệ mẫu:

\sigma_{\hat p}=\sqrt{\frac{p(1-p)}{n}},

trong đó

n

là cỡ mẫu của mỗi lượt thử. Khi

n

tăng từ 10 lên 40, mẫu số lớn gấp bốn nên độ lệch chuẩn giảm còn một nửa, từ khoảng 0,158 xuống khoảng 0,079. Vì vậy đồ thị mô phỏng sẽ hẹp hơn, cao hơn ở giữa và có hình dạng gần chuẩn hơn; ngược lại, việc tăng số lượt thử chỉ làm đồ thị mượt hơn chứ không làm nó hẹp lại.

Mô phỏng được xây dựng theo giả thuyết $H_0: p=0{,}5$ với cỡ mẫu 10 và 200 lượt thử, cho giá trị P xấp xỉ $34/200=0{,}17$ . Vì 0,17 lớn hơn 0,05 nên chưa có bằng chứng thuyết phục cho rằng Rafiki đoán chiều tăng giảm của chỉ số chứng khoán tốt hơn đoán mò. Nếu mỗi lượt thử dùng 40 ngày thay vì 10 ngày, phân bố mô phỏng vẫn có tâm quanh 0,5 nhưng hẹp hơn hẳn, với độ lệch chuẩn giảm từ khoảng 0,158 xuống khoảng 0,079.

Mục tiêu và lộ trình unit xem miễn phí — làm bài tập và lưu tiến độ cần tài khoản 0đ.